ما هو التعلم العميق وما هي الشبكات العصبية الاصطناعية؟
التعلم العميق: هو فرع من فروع تعلم الآلة يندرج تحت التعلم غير الموجه وشبه الموجه. كما يوضح شكل فين التالي أن التعلم العميق هو فرع ضمن تعلم الآلة، فخوارزميات التعلم العميق أدق وأعمق وأكثر تعقيدًا. تتعلم خوارزميات التعلم العميق الأنماط من خلال تحليل مجموعة بيانات، وتعتمد تلك الخوارزميات على محتواها بأن تستخرج الخواص والميزات من البيانات. ثم تطبق الخوارزمية ما تعلمته لتقرر قرارات ذكية.
الشبكات العصبية الاصطناعية: هي العنصر الأساسي في مجال التعلم العميق وسبب تسميتها ذلك هو محاكاتها لدنا الإنسان والجهاز العصبي القائم على معالجة المعلومات عند الإنسان كما سنفصل في هذا المقال.
الفرق بين تعلم الآلة والتعلم العميق
تعلم الآلة هو طريقة تعلم الخوارزمية من البيانات أو التجارب، والتعلم العميق يشبه تعلم الآلة، ولكن بالإضافة إلى شبكة تعلم عميقة ومعقدة تتعدد فيها الطبقات. الطبقات هي عبارة عن مراحل من الحسابات، وكل مرحلة تحوي عشرات أو مئات العمليات الحسابية في نفس الوقت.
متى نستخدم خوارزميات التعلم العميق؟
يتم التوجه إلى خوارزميات التعلم العميق في هذه الحالات
- عندما يكون حجم البيانات كبير جدًا
- عندما يكون هناك بيانات متعددة الأبعاد مثل الصور
- سلاسل طويلة مثل الموسيقى واللغات
- لبناء نماذج معقدة وغالبًا ما تكون غير متوقعة النتائج
- عندما يكون عالم البيانات لا يملك طرق استخراج الخواص المميزة والمهمة من البيانات
- لاستخراج خواص جديدة لا يمكن للقرارات البشرية ملاحظتها
- عندما تكون الأجهزة الحاسوبية قوية وذات سرعة معالجة عالية وذاكرة كبيرة للتعامل مع تدريب العمليات الحسابية المعقدة والكثيرة
دماغ الإنسان والتعلم العميق
التعلم العميق يتكون من الشبكات العصبية المختلفة التي تحتوي على 3 طبقات مخفية فأكثر. والتي تحاكي طريقة عمل دماغ الإنسان.
الخلية العصبية عند الإنسان مقابل الشبكة العصبية الاصطناعية
وفقا للباحث في المصدر [4] فإنّ الشبكة العصبية الاصطناعية (ANN) هي منهج حسابي يتكون من عدة وحدات، مع معاملات مرتبطة ببعضها البعض. معاملات الوحدات مهيئة لأن تتنبأ بمخرجات نظام ما باستخدام البيانات المسحوبة من ذلك النظام. مثل عمل الأعصاب عند الإنسان. الشبكة العصبية الاصطناعية تتكون من ثلاثة أجزاء رئيسية هي:
- مدخلات الشبكة والتي تقابل المستقبلات العصبية في الخلية العصبية عند الإنسان.
- طبقة خفية تتكون من عدة أعصاب (تسمى أيضا عقد وتسمى دوال التحيز) والتي تقابل المحاور العصبية في جسم الخلية العصبية عند الإنسان.
- مخرجات الشبكة، والتي تقابل محطات المحاور العصبية في الخلية العصبية عند الإنسان.
مصطلحات التعلم العميق
الشبكة العصبية (Neural Network): هي خوارزمية تحتوي على كثير من العمليات الحسابية والدوال الدقيقة التي تتكرر آلاف المرات في كل معالجة، وتترابط العمليات ببعضها من خلال استخدام ناتج عملية سابقة كمُدخَل لعملية تالية في الخوارزمية، بشكل عُقَدي وتَشعُّبي.
الطبقة (Layer): هي مرحلة تحتوي على العمليات الحسابية يرمز لكل معادلة أو دالة أو عملية حسابية بها بالعصب (neuron) أو العقدة (Node) أو التحيز (Bias).
الطبقة الخفية (Hidden Layer): هي طبقة لكن لا ترى العمليات الحسابية فيها، وتكون عمليات حسابية دقيقة على مستوى خواص صغيرة في المدخلات مكررة.
الأوزان (Weights): هي نواتج هذه المعادلات الحسابية التي تمت بالعقد أو الأعصاب وتكون عبارة عن خواص وصفات مستنتجة من العينات وتختلف قيمة الأوزان باختلاف أهمية هذه الخواص لعملية التعلم، وفي حال شبهنا العقدة بالعصب، فالأوزان تكون هي الإشارات العصبية التي تسير من خلال السيالات العصبية.
هيكل الشبكات العصبية العميقة
الشبكات العميقة هي أعقد من الشبكات السطحية والشبكات العميقة هي التي تندرج تحت التعلم العميق.
الشبكة العصبية السطحية: تتكون من طبقة عميقة واحدة، لا تنتمي إلى التعلم العميق
الشبكة العصبية العميقة: تتكون من 3 طبقات مخفية فأكثر، تنتمي إلى التعلم العميق.
طريقة عمل خوارزميات التعلم العميق
مراحل بناء خوارزميات التعلم العميق
- تحضير البيانات
- في هذه المرحلة يتم تنظيف البيانات وتوحيد قياساتها، والتغيير فيها لجعل الخوارزمية تعمل بشكل أفضل.
- بناء نموذج الشبكة العصبية
- في هذه المرحلة يتم اختيار نوع الشبكة المناسب للبيانات وللهدف.
- تغذية النموذج بالبيانات وتدريب النموذج
- يتم تمرير البيانات من خلال النموذج
- تقييم الأداء
- من خلال خوارزميات التقييم مثل حساب الدقة والصحة والاستدعاء وغيرها
- حفظ النموذج
- يتم حفظ النموذج لاستخدامه بالتنبؤ لاحقًا ويوجد عدة صيغ لحفظ النماذج.
أشهر أنواع الشبكات العصبية العميقة
يوجد العديد من الشبكات العصبية المستخدمة في التعلم العميق سنذكر الشبكات الأكثر شهرةً و استخدامًا وتعتبر هذه الشبكات محطة انطلاق لبناء خوارزميات أكثر تعقيدًا:
- شبكة الإدراك متعدد الطبقات (Multi-Layer Perception) (MLP)
- الشبكة العصبية الالتفافية (Convolutional Neural Network) (CNN)
- الشبكة العصبية التكرارية (Recurrent Neural Network) (RNN) وأنواعها
- الشبكة تلقائية الترميز (Auto Encoder) (AE)
- شبكة الخصوم التوليدية (Generative adversarial network) (GAN)
1. شبكة الإدراك متعدد الطبقات (MLP)
شبكة الإدراك متعدد الطبقات هي من أوائل مبادئ الشبكات العصبية العميقة، وتعد أبسط الشبكات. جاء اسمها محاكاةً قدرة الإنسان الإدراكية في التعرف على المناظر. تتكون من عدة طبقات من الأعصاب (العقد) وطبقة واحدة مخفية على الأقل، وطبقة تنشيط فأكثر، وطبقة مدخلات، وطبقة مخرجات. وتندرج تحت نوع الشبكات أمامية التغذية.
2. الشبكة العصبية الالتفافية (CNN)
هي أشهر الشبكات استخدامًا في مشاريع الصور والمدخلات متعددة الأبعاد. تكون على شكل مصفوفات مربعة (الطول × العرض) أو مكعبة (الطول × العرض× القنوات) جاء اسمها محاكاةً لتلافيف الدماغ البشري بشواهد التعقيد والتشعب والذكاء. تتكون من عدة طبقات مخفية وطبقات تنشيط وطبقات تجميع خصائصي. تندرج هذه الشبكة تحت نوع الشبكات أمامية التغذية والراجعة.
3. الشبكة العصبية التكرارية (RNN)
يشتهر استخدام هذا النوع من الشبكات في معالجة البيانات التسلسلية مثل النصوص والكلام والترجمة والموسيقى والترددات، تكون البيانات المدخلة ذات بعد واحد على شكل متجهات أو سلاسل رقمية (عدد العناصر في السلسلة). سبب تسميتها بالتكرارية أو المتكررة هو أن المخرج من عصب الأول هو مدخل للعصب الثاني مضافًا إلى ناتج العصب الثاني ومخرج العصب الثاني هو مدخل إلى العصب التالي مضافًا إلى الناتج الحالي وتستمر السلسلة.
يوجد أنواع محدثة من الشبكات العصبية التكرارية وتتميز بأداء أفضل ومعالجة أعمق وأهمها:
- الشبكة العصبية التكرارية ذات الذاكرة الطويلة قصيرة المدى (RNN-Long Short Term Memory) (LSTM)
- الشبكة العصبية التكرارية ذات وحدات تكرارية مبوبة (RNN -gated recurrent unit ) (GRU)
4. الشبكة تلقائية الترميز (AE)
الشبكات تلقائية الترميز هي شبكات لترميز بيانات جديدة من خلال التعلم من بيانات حقيقية وتتكون من طبقات ترميز وطبقات فك ترميز. تستخدم في تقوية النماذج للتعرف للتنبؤ ببيانات غير معهودة وتستخدم في إنشاء صور جديدة.
5. شبكة الخصوم التوليدية (GAN)
شبكات الخصوم التوليدية هي شبكات تعلم عميقة مكونة من شبكات عصبية التفافية (CNN). وتحتوي على شبكتين عصبيتين، شبكة لتوليد البيانات وشبكة لتصنيف البيانات لبيانات حقيقية ومزيفة.
هدفها الرئيسي هو تدريب المولد على توليد عينات وتدريب المميز على التمييز والمفاضلة بين البيانات الصحيحة والخاطئة. لتوليد صور حقيقية ذات جودة عالية. للمزيد عن استخدام هذه الشبكة يمكنك قراءة مقال تقنية تحويل النصوص إلى صور.
التطبيق العملي
بعد معرفة أساسيات ومبادئ التعلم العميق يمكنك الآن الانتقال إلى خطوة التطبيق العملي بخطوات بسيطة ودون الحاجة إلى معرفة أكواد برمجية، يمكنك ذلك من خلال تتبع الخطوات في مقال واجهة TM لتدريب الخوارزمية والبيانات بدون الحاجة إلى برمجة.
الملخص
- التعلم العميق هو فرع من علم الآلة وخوارزمياته تكون أعقد وأعمق من خوارزميات تعلم الآلة.
- الشبكات العصبية المصطنعة هي أساس التعلم العميق، وسبب تسميتها بالعصبية هو محاكاتها لشكل النظام العصبي في دماغ الإنسان.
- يستخدم التعلم العميق في كثير من المجالات ونتوجه إلى استخدام خوارزميات التعلم العميق في عدة حالات منها عندما يكون حجم البيانات كبير جدًا وعندما يكون هناك أبعاد مختلفة للبيانات وعندما لا يمكننا ملاحظة الخواص المميزة بالطرق التقليدية.
- أهم الشبكات العصبية هي CNN RNN LSTM GAN AE وتم تفصيلها وشرحها إضافة إلى ذكر المزيد.
- التطبيق العملي من خلال واجهة TM.
- صورة شبكات VAE وGAN :
Defresne, Marianne & Barbe, Sophie & Schiex, Thomas. (2021). Protein Design with Deep Learning. International Journal of Molecular Sciences. 22. 11741. 10.3390/ijms222111741. https://www.researchgate.net/figure/Examples-of-generative-models-From-top-to-bottom-Variational-Autoencoder-VAE-and_fig4_355850728
- طبقة التجميع المميز تبعًا للقيمة الأكبر Maxpooling، 2021، أكاديمية حسوب،
https://academy.hsoub.com/questions/16424-%D8%A7%D9%84%D8%B7%D8%A8%D9%82%D8%A9%C2%A0maxpooling2d/
- شرح شبكة الإدراك متعدد الطبقات مع مثال واقعي وكود بايثون، بينتو، 2021، ميديوم، https://towardsdatascience.com/multilayer-perceptron-explained-with-a-real-life-example-and-python-code-sentiment-analysis-cb408ee93141
- تقليد خلية العصب عند الإنسان والشبكة العصبية: Bataineh, Mohammad Moe. (2015). New neural network for real-time human dynamic motion prediction. 10.17077/etd.h5vp6epf.
- واجهة التدريب TM: https://teachablemachine.withgoogle.com/train
- أداة لرسم الشبكات العصبية الاصطناعية: https://alexlenail.me/NN-SVG/
- لماذا التعلم العميق مفضل على تعلم الآلة؟، ماهاباترا، 2018، ميديوم، https://towardsdatascience.com/why-deep-learning-is-needed-over-traditional-machine-learning-1b6a99177063
- التعلم الآلي وأنواع الشبكات العصبية:
Sarker, I.H. Deep Learning: A Comprehensive Overview on Techniques, Taxonomy, Applications and Research Directions. SN COMPUT. SCI. 2, 420 (2021). https://doi.org/10.1007/s42979-021-00815-1
- شبكات RNN LSTM GRU، http://dprogrammer.org/rnn-lstm-gru
- مبادئ الشبكات تلقائية الترميز، بيرلا، 2019، ميديوم، https://medium.com/@birla.deepak26/autoencoders-76bb49ae6a8f
